宠物语言识别方法、装置、电子设备及可读存储介质与流程

本发明涉及电子信息技术领域，尤其涉及一种宠物语言识别方法、装置、电子设备及可读存储介质。

背景技术：

在语言识别方面最早进行的是说话人的识别，主要集中在单纯的人耳听辨，真正的语言识别是研究采集语言信号线性预测编码技术和动态时间规整技术，主要是对于鼓励字，采用模板匹配技术。我国从1987年开始才对普通话进行语言识别方面的研究，然后对于方言口音。

随着人们生活水平的提高，宠物的饲养已经成为普遍的现象，宠物作为人类的伴侣动物，也是我们获得幸福和健康生活的来源，对于一些现代老年人来说，宠物也变成了生活中密不可分的部分。但是和人类朝夕相处的动物，我们却无法读懂它们的语言，也无法及时的了解它们的生理状态或者情感需求。所以将语言识别技术运用到非智力语言的识别上，可以帮助人类更好的了解动物，以便和动物更好的相处，提高人类与动物之间的亲近感。

技术实现要素：

本发明的目的在于提供一种宠物语言识别方法、装置、系统、电子设备及计算机可读存储介质，以帮助人类更好的了解动物，以便和动物更好的相处，提高人类与动物之间的亲近感。

根据本发明的第一方面，提供了一种宠物语言识别方法，执行在第一智能终端，所述方法包括：

接收音频信号的特征参数；

根据预存的模型对所述特征参数进行识别，以获得识别结果；

将所述识别结果进行语音播报。

可选的，所述特征参数包括：所述音频信号的基音周期、共振峰参数以及梅尔频率倒谱系数。

可选的，所述方法还包括生成所述预存的模型的步骤，包括：

采集不同种类宠物语言的音频信号；

提取所述音频信号的特征参数；

获取训练参数，所述训练参数包括目标值、学习率以及训练轮次；

基于所述训练参数对神经网络模型进行设置；

根据所述特征参数对所述神经网络模型进行训练，得到所述预存的模型。

可选的，在所述采集不同种类宠物语言的音频信号之后，所述方法还包括：

对所述音频信号进行预处理，所述预处理包括：对所述音频信号进行预加重、分帧以及加窗处理。

可选的，提取所述音频信号的特征参数包括：

通过倒谱法得到所述基音周期与所述共振峰参数。

可选的，提取所述音频信号的特征参数还包括：

对所述音频信号进行快速傅里叶变换得到各频的频谱，并对频谱取模平方得到所述音频信号的功率谱；

将所述功率谱通过梅尔滤波器组，计算每个滤波器输出的对数能量，并进行归一化处理得到n维梅尔频率倒谱系数，其中，n为正整数且n＞0。

根据本发明的第二方面，提供了一种宠物语言识别方法，执行在第二智能终端，所述方法包括：

采集所述宠物语言的音频信号；

提取所述音频信号的特征参数；

将所述特征参数发送给第一智能终端。

根据本发明的第三方面，提供了一种第一智能终端，包括：

接收模块，用于接收音频信号的特征参数；

识别模块，用于根据预存的模型对所述特征参数进行识别，以获得识别结果；

播报模块，用于将所述识别结果进行语音播报。

可选的，所述终端还包括：

生成模块，用于生成所述预存的模型。

可选的，所述生成模块还包括：

采集单元，用于采集不同种类宠物语言的音频信号；

提取单元，用于提取所述音频信号的特征参数；

获取单元，用于获取训练参数，所述训练参数包括目标值、学习率以及训练轮次；

配置单元，用于基于所述训练参数对神经网络模型进行配置；

训练单元，用于根据所述特征参数对所述神经网络模型进行训练，得到所述预存的模型。

可选的，所述生成模块还包括：

预处理单元，用于对所述音频信号进行预处理，所述预处理包括：对所述音频信号进行预加重、分帧以及加窗处理。

根据本发明的第四方面，提供了一种第二智能终端，包括：

采集模块，用于采集所述宠物语言的音频信号；

提取模块，用于提取所述音频信号的特征参数；

发送模块，用于将所述特征参数发送给第一智能终端。

根据本发明的第五方面，提供了一种电子设备，此电子设备包括：

根据本发明的第三方面提供的第一智能终端；或者，

处理器和存储器，所述存储器用于存储可执行的指令，所述指令用于控制所述处理器执行本发明的第一方面提供的宠物语言识别方法；或者，

根据本发明的第四方面提供的第二智能终端；或者，

处理器和存储器，所述存储器用于存储可执行的指令，所述指令用于控制所述处理器执行本发明的第二方面提供的宠物语言识别方法。

根据本发明第六方面，提供了一种宠物语言识别系统，所述系统包括：

根据本发明的第三方面提供的第一智能终端；以及

根据本发明的第四方面提供的第二智能终端；

其中，所述第一智能终端和所述第二智能终端通信连接。

根据本发明的第七方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器执行时实现根据本发明第一方面以及第二方面提供的所述的宠物语言识别方法。

根据本发明实施例，提供了一种宠物语言识别的方法、装置、系统、电子设备及计算机可读存储介质，通过配备在宠物身上的第二智能终端实时采集宠物的音频信号，并通过第二智能终端提取音频信号的特征参数并发送给配置在用户身上的第一智能终端，第一智能终端上预存的有用于进行特征识别的模型，模型是经过训练的，只要给模型输入音频信号的特征参数，模型就根据训练的结果，输出能够表达宠物心情的文字内容，然后进行数模转换，通过第一智能终端播报给用户，用户就可以实时的掌握自己的宠物所表达的意思，本申请提供的用于识别宠物语言的方法操作简单，识别率高，可以帮助人类更好的了解动物，以便和动物更好的相处，提高人类与动物之间的亲近感。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

附图说明

被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。

图1为可用于实现本发明实施例的一种宠物语言识别方法的系统硬件配置结构图。

图2为本发明实施例的电子设备硬件配置的结构方框图。

图3为本发明第一实施例的宠物语言识别方法步骤流程图。

图4为本发明预存模型生成方法步骤流程图。

图5为本发明第二实施例的宠物语言识别方法步骤流程图。

图6为本发明第一智能终端的结构方框图。

图7为本发明第一智能终端的硬件配置结构图。

图8为本发明第二智能终端的结构方框图。

图9为本发明第二智能终端的硬件配置结构图。

具体实施方式

现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

对于相关领域普通技术人物已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

如图1所示，为本实施例的宠物语言识别系统1000包括服务器1100、第一智能终端1200、第二智能终端1300以及网络1400，服务器1100、第一智能终端1200和第二智能终端1300通过网络进行通信。

服务器1100例如可以是刀片服务器、机架式服务器等，服务器1100也可以是部署在云端的服务器集群，在此不做限定。该服务器可以是提供线上交易平台服务方的服务器，也可以是以上行政职能部门的服务器，在此不做限定。

如图1所示，服务器1100可以包括处理器1110、存储器1120、接口装置1130、通信装置1140、显示装置1150和输入装置1160。处理器1110用于执行计算机程序。该计算机程序可以采用比如x86、arm、risc、mips、sse等架构的指令集编写。存储器1120例如包括rom(只读存储器)、ram(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置1130例如包括usb接口、串行接口等。通信装置1140例如能够进行有线或无线通信。显示装置1150例如是液晶显示屏。输入装置1160例如可以包括触摸屏、键盘等。

本实施例中，服务器1100可用于参与实现根据本发明任意实施例的宠物语言识别方法。

应用于本发明实施例中，服务器1100的存储器1120用于存储指令，所述指令用于控制所述处理器1110进行操作以支持实现根据本发明任意实施例的图像识别方法。技术人员可以根据本发明所公开方案设计指令。指令如何控制处理器进行操作，这是本领域公知，故在此不再详细描述。

本领域技术人员应当理解，尽管在图1中示出了服务器1100的多个装置，但是，本发明实施例的服务器1100可以仅涉及其中的部分装置，例如，只涉及处理器1110和存储器1120。

如图1所示，第一智能终端1200可以包括处理器1210、存储器1220、接口装置1230、通信装置1240、显示装置1250、输入装置1260、音频输出装置1270、音频拾取装置1280，等等。其中，处理器1210可以是中央处理器cpu、微处理器mcu等，处理器1210用于执行计算机程序。该计算机程序可以采用比如x86、arm、risc、mips、sse等架构的指令集编写。存储器1220例如包括rom(只读存储器)、ram(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置1230例如包括usb接口、耳机接口等。通信装置1240例如能够进行有线或无线通信。显示装置1250例如是液晶显示屏、触摸显示屏等。输入装置1260例如可以包括触摸屏、键盘等。第一智能终端1200可以通过音频输出装置1270输出音频信息，该音频输出装置1270例如包括扬声器。第一智能终端1200可以通过音频拾取装置1280拾取用户输入的语音信息，该音频拾取装置1280例如包括麦克风。

第一智能终端1200可以是智能手环、智能眼镜、智能手表、智能项链等可以支持使用电商平台应用的任意设备。

本实施例中，第一智能终端1200可用于在宠物语言识别时，获取第二智能终端1300发送的宠物语言音频信号的特征参数，识别其表述的心情。

应用于本发明的实施例中，第一智能终端1200的存储器1220用于存储指令，所述指令用于控制所述处理器1210进行操作以支持实现根据本发明任意实施例的宠物语言识别方法。技术人员可以根据本发明所公开方案设计指令。指令如何控制处理器进行操作，这是本领域公知，故在此不再详细描述。

本领域技术人员应当理解，尽管在图1中示出了第一智能终端1200的多个装置，但是，本发明实施例的第一智能终端1200可以仅涉及其中的部分装置，例如，只涉及处理器1210、存储器1220、显示装置1250、输入装置1260等。

如图1所示，第二智能终端1300可以包括处理器1310、存储器1330、接口装置1330、通信装置1340、显示装置1350、输入装置1360、音频输出装置1370、音频拾取装置1380，等等。其中，处理器1310可以是中央处理器cpu、微处理器mcu等，处理器1310用于执行计算机程序。该计算机程序可以采用比如x86、arm、risc、mips、sse等架构的指令集编写。存储器1330例如包括rom(只读存储器)、ram(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置1330例如包括usb接口、耳机接口等。通信装置1340例如能够进行有线或无线通信。显示装置1350例如是液晶显示屏、触摸显示屏等。输入装置1360例如可以包括触摸屏、键盘等。第二智能终端1300可以通过音频输出装置1370输出音频信息，该音频输出装置1370例如包括扬声器。第二智能终端1300可以通过音频拾取装置1380拾取用户输入的语音信息，该音频拾取装置1380例如包括麦克风。

第二智能终端1300可以是智能项圈、智能脚链、智能耳套、智能头套等可以支持使用电商平台应用的任意设备。

本实施例中，第二智能终端1300可用于在宠物语言识别时，采集宠物语言音频信号，并提取音频信号的特征参数发送给第一智能终端1200，通过第一智能终端1200识别其表述的心情。

应用于本发明的实施例中，第二智能终端1300的存储器1320用于存储指令，所述指令用于控制所述处理器1310进行操作以支持实现根据本发明任意实施例的宠物语言识别方法。技术人员可以根据本发明所公开方案设计指令。指令如何控制处理器进行操作，这是本领域公知，故在此不再详细描述。

本领域技术人员应当理解，尽管在图1中示出了第二智能终端1300的多个装置，但是，本发明实施例的第二智能终端1300可以仅涉及其中的部分装置，例如，只涉及处理器1310、存储器1320、显示装置1350、输入装置1360等。

通信网络1400可以是无线网络也可以是有线网络，可以是局域网也可以是广域网。第一智能终端1200、第二智能终端1300可以通过通信网络1400与服务器1100进行通信，第一智能终端1200与第二智能终端1300之间也可以通过通信网络1400进行通信。

图1所示的系统1000仅是解释性的，并且决不是为了要限制本发明、其应用或用途。例如，尽管图1仅示出一个服务器1100和两个终端设备，但不意味着限制各自的数量，系统1000中可以包含多个服务器1100和/或多个终端设备。

图2是示出可以实现本发明的实施例的电子设备2000的硬件配置的结构方框图。

一方面电子设备2000可以是智能穿戴设备、手机、平板电脑等。

另一方面，如图2所示，电子设备2000可以包括前述的第一智能终端1200，用于实施本发明第一实施例提供的宠物语言识别方法。

或者，如图2所示，电子设备2000可以包括前述的第二智能终端1300，用于实施本发明第二实施例提供的宠物语言识别方法。

如图2所示，电子设备2000可以包括处理器2100、存储器2200、接口装置2300、通信装置2400、显示装置2500、输入装置2600、扬声器2700、麦克风2800等等。其中，处理器2100可以是中央处理器cpu、微处理器mcu等。存储器2200例如包括rom(只读存储器)、ram(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置2300例如包括usb接口、耳机接口等。通信装置2400例如能够进行有线或无线通信，具体地可以包括wifi通信、蓝牙通信、2g/3g/4g/5g通信等。显示装置2500例如是液晶显示屏、触摸显示屏等。输入装置2600例如可以包括触摸屏、键盘、体感输入等。用户可以通过扬声器2700和麦克风2800输入/输出语音信息。

图2所示的电子设备仅仅是说明性的并且决不意味着对本发明、其应用或使用的任何限制。应用于本发明的实施例中，电子设备2000的所述存储器2200用于存储指令，所述指令用于控制所述处理器2100进行操作以执行本发明实施例提供的任意一项宠物语言识别方法。本领域技术人员应当理解，尽管在图2中对电子设备2000示出了多个装置，但是，本发明可以仅涉及其中的部分装置，例如电子设备1000可以只涉及处理器1100和存储装置1200。技术人员可以根据本发明所公开方案设计指令。指令如何控制处理器进行操作，这是本领域公知，故在此不再详细描述。

在本发明一个实施例中，提供一种宠物语言识别方法。

请参考图3，该图为本发明实施例的宠物语言识别方法步骤流程图，宠物语言识别方法可以是由电子设备实施，该电子设备例如可以是如图2所示的电子设备2000，还可以是如图1所示的第一智能终端1200，还可以是如图6所示的第一智能终端600。

如图3所示，本发明实施例的宠物语言识别方法包括以下步骤：

步骤302，接收音频信号的特征参数；

步骤304，根据预存的模型对特征参数进行识别，以获得识别结果；

步骤306，将识别结果进行语音播报。

在步骤302中，当有新的音频信号的特征参数传入的时候，第一智能终端1200或者第一智能终端600从休眠状态进入唤醒状态，接收第二智能终端1300或者第二智能终端800发送的特征参数，并将所述特征参数存储在可用于存储的存储器中以供后续识别，存储器可以是第一智能终端1200或者第一智能终端600中的存储器，也可以是电子设备2000中的存储器。

在步骤304中，根据步骤302接收到的特征参数，将特征参数输入到预存的模型中，模型是预先经过神经网络训练过的，输入到模型中就可以得到输出。示例性的，例如识别宠物猫所要表达的意思，由第二智能终端1300或者第二智能终端800采集一段时间内，宠物猫的叫声，因为猫叫的声音频率在4khz以上的较少，第二智能终端1300或者第二智能终端800在采集时先设定一个采样的频率和采样的速率来对一段时间内的猫叫进行采样，然后提取采样后猫叫声的特征参数，将特征参数输入到第一智能终端1200或者第一智能终端600的预存的模型中进行识别，模型在训练时会采集预设的音频信号，例如采集不同种类的宠物猫短促的猫叫，短促的猫叫对应的识别心情为表示高兴的心情，训练后的模型只要输入的特征参数符合短促猫叫的特征参数，第一智能终端1200或者第一智能终端600就会识别到此时猫所要表达的心情是高兴，表示心情的词语经过数模转换后，通过音频输出装置或者扬声器播报出来，便于用户及时的了解自己宠物的心情，对宠物做出适当的动作，增进与宠物之间的感情。

在步骤306中，将识别结果进行语音播报，识别结果包括表示描述心情的词，例如高兴、愤怒、害怕、兴奋这一类的词汇。或者还可以包括表示需求类的词汇，例如饿了、渴了、病了这一类的词汇，为了便于用户及时的了解到宠物的叫声所要表达的意思，将表示心情或者需求类的词汇，通过数模转换，将用于屏幕显示的内容用语音播报出来，不需要用户再通过专门查看自身佩戴的设备就能知晓宠物此时的心情状态，方便了用户的使用。

可选的，所述特征参数包括：音频数据的基音周期、共振峰参数以及梅尔频率倒谱系数。

基音周期是一种用于记录基音的时间长度的检测方法，气流通过声门使声带产生张弛振荡振动，产生一股周期脉冲气流，气流激励声道产生浊音，它携带语音中的大部分能量，这种声带振动的频率称为基频，相应的周期就称为基音周期，对基音周期的准确提取影响语音的识别率以及语音压缩编码的正确率。

共振峰是指在声音的频谱中能量相对集中的一些区域，共振峰不但是音质的决定因素，而且反映了声道的物理特征。共振峰参数包括共振峰频率、频带宽度和幅值，共振峰信息包含在音频频谱的包络中。

梅尔频率倒谱系数，就是组成梅尔频率倒谱的系数。派生自音频片段的倒谱，梅尔频率倒谱的频带划分是在梅尔刻度上等距划分的，它比用于正常的对数倒频谱中的线性间隔的频带更能近似人类的听觉系统。这种频率弯曲可以更好的表示声音。

可选的，如图4所示，本发明实施例生成预存的模型步骤，包括：

步骤401，采集不同种类宠物语言的音频信号；

步骤402，提取音频信号的特征参数；

步骤403，获取训练参数，训练参数包括目标值、学习率以及训练轮次；

步骤404，基于训练参数对神经网络模型进行设置；

步骤405，根据特征参数对神经网络模型进行训练，得到预存的模型。

在步骤401中，根据预期达到的输入和输出的效果来训练模型，所以会根据需要采集特定的宠物语言音频信号，示例性的，当需要模型将表示高兴的词作为结果输出时，则需要采集不同的宠物猫在一定时间内短促的猫叫声进行训练，最终模型训练好之后，只要输入的猫叫声与短促的猫叫声的特征参数有70％的概率相同，则识别结果就会将表示高兴的词作为输出。需要说明的是，本申请中预存的模型是通过神经网络模型进行训练得到的，神经网络模型的训练过程对本领域的人员来说是公知常识，故在此不做赘述。

在步骤402中，通过步骤401采集了所需的音频信号之后，需要对音频信号进行特征参数的提取，音频信号的特征参数包括基音周期、共振峰参数以及梅尔频率倒谱系数。

基音周期获取的方法有波形估计法、相关处理法以及变换法，波形估计法时直接通过音频信号产生的波形来估计其基音周期，分析出波形上的周期峰值；相关处理法在语音限号处理中广泛使用；本申请采用倒谱法来获取宠物语言的基音周期，该方法是将宠物语言的音频信号变换到频域或者倒谱域来估计基音周期，利用同态分析方法将声道的影响消除，得到属于激励部分的信息，进一步求取基音周期，该方法基音检测精度高，可以较好的从宠物的音频信号中分离出基音信息和声道信息。

共振峰的提取方法包括基于线性预测的共振峰求取方法以及倒谱法。本申请选用倒谱法提取宠物语言音频信号的共振峰，倒谱法是根据对数功率谱的逆傅里叶变换，能够分离频谱包络和细微结构，能很精确的得到共振峰信息。

梅尔频率倒谱系数提取方法包括对音频信号进行与处理之后，再进行快速傅里叶变换得到各频的频谱，并对频谱取模平方得到音频信号的功率谱，将功率谱通过梅尔滤波器组，计算每个滤波器输出的对数能量，并进行归一化处理得到n维梅尔频率倒谱系数，其中，n为正整数且n＞0。

在步骤403中，提取好训练的特征参数以后，需要对神经网络模型的训练参数进行设置，神经网络能学习和存贮大量的输入-输出模式映射关系，而无需提前揭示描述这种映射关系的数学方程，它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。训练参数包括目标值、学习率以及训练轮次，目标值就是我们期望输出的识别结果的种类，示例性的，例如高兴、伤心、失落、难过、饿了、渴了、困了等表示状态的词语。

学习率作为监督学习以及深度学习中重要的参数，其决定着目标函数能否收敛到局部最小值以及何时收敛到最小值。合适的学习率能够使目标函数在何时的时间内收敛到局部最小值。

训练轮次是指在一段时间内针对一个目标值所要训练的次数，对于训练轮次的设置，不是越多越好，相同类别的输入有80％与预期相同的输出，即可停止学习，避免资源的浪费。

在步骤404中，训练参数是提前设置好的，在训练开始之前只要根据预设的训练参数调整好神经网络模型就可以开始训练。

在步骤405中，神经网络模型设置好训练参数后，就可以将提取的特征参数输入到神经网络模型中进行训练，示例性的，半小时内，训练了50次后，将神经网络模型训练好了，得到了期望模型，存储起来供识别使用。在此需要说明的是，模型的训练过程可以在服务器中完成，然后从服务器移植到电子设备或者第一智能终端1200或者第一智能终端600内，还可以在电子设备或者第一智能终端1200或者第一智能终端600内完成，训练好以后存储直接供后期的识别使用。

可选的，在采集不同种类宠物语言的音频信号之后，所述方法还包括：对音频信号进行预处理，所述预处理包括：对所述音频信号进行预加重、分帧以及加窗处理。

预加重的目的是提升高频部分，使信号的频谱变得平坦，保持在低频到高频的整个频带中，能用同样的信噪比求频谱。同时，也是为了消除发生过程中声带和嘴唇的效应，来补偿音频信号受到发音系统所抑制的高频部分，也为了突出高频的共振峰。

由于音频信号只在较短的时间内呈现平稳性(一般在10-30ms)，因此将语音信号划分为一个一个的短时段即一帧。同时为了避免丢失音频信号的动态信息，相邻帧之间要有一段重叠区域，重叠区域一段为帧长的1/2或1/3。

加窗是将每一帧乘以汉明窗，以增加每帧左端和右端的连续性。

根据本发明实施例，提供了一种宠物语言识别的方法，通过第一智能终端1200或者第一智能终端600实施，第二智能终端1300或者第二智能终端800实时采集宠物的音频信号，并提取音频信号的特征参数发送给为用户配置的第一智能终端1200或者第一智能终端600，其上预存有用于进行特征识别的模型，只要给模型输入音频信号的特征参数，模型就能够输出表达宠物心情的文字内容，文字内容进行数模转换通过第一智能终端1200或者第一智能终端600播报给用户，用户就可以实时的掌握自己的宠物所表达的心情，本申请提供的用语识别宠物语言的方法操作简单，识别率高，可以帮助人类更好的了解动物，以便和动物更好的相处，提高人类与动物之间的亲近感。

在本发明又一个实施例中，提供一种宠物语言识别方法。

请参考图5，该图为本发明实施例的宠物语言识别方法步骤流程图，宠物语言识别方法可以是由电子设备实施，该电子设备例如可以是如图2所示的电子设备2000，还可以是如图1所示的第二智能终端1300，还可以是如图8所示的第二智能终端800。

如图5所示，本发明实施例的宠物语言识别方法包括以下步骤：

步骤501，采集宠物语言的音频信号；

步骤502，提取音频信号的特征参数；

步骤503，将特征参数发送给第一智能终端。

在步骤501中，电子设备2000、第二智能终端1300或者第二智能终端800设置在能采集到宠物音频信号的地方，当宠物发出音频信号时，电子设备2000、第二智能终端1300或者第二智能终端800从休眠模式切换到工作模式，对音频信号进行实时的采集，在预设的时间段内采集，采集完后对音频信号进行存储，供下一步的特征提取使用。

在步骤502中，因为电子设备2000、第一智能终端1200或者第一智能终端600接收的用于识别的是音频信号的特征参数，所以在采集到音频信号以后需要对其进行特征参数的提取，特征参数为音频信号的基音周期、共振峰参数以及梅尔频率倒谱系数。关于特征参数的提取方法上述已具体描述，在此不再赘述。

在步骤503中，提取了音频信号的特征参数后，通过网络将特征参数发送给电子设备2000、第一智能终端1200或者第一智能终端600，以供识别。

根据本发明实施例，提供了一种宠物语言识别的方法，通过第二智能终端1300或者第二智能终端800实施，第二智能终端1300或者第二智能终端800实时采集宠物的音频信号，并提取音频信号的特征参数发送给为用户配置的第一智能终端1200或者第一智能终端600，其上预存有用于进行特征识别的模型，只要给模型输入音频信号的特征参数，模型就能够输出表达宠物心情的文字内容，文字内容进行数模转换通过第一智能终端1200或者第一智能终端600播报给用户，用户就可以实时的掌握自己的宠物所表达的心情，本申请提供的用于识别宠物语言的方法操作简单，识别率高，可以帮助人类更好的了解动物，以便和动物更好的相处，提高人类与动物之间的亲近感。

在本发明再一个实施例中，提供了一种第一智能终端600，请参考图6，该图为本发明实施例的第一智能终端600的结构方框图。该第一智能终端600包括接收模块601、识别模块602和播报模块603。

该接收模块601用于接收音频信号的特征参数。

该识别模块602用于根据预存的模型对特征参数进行识别，以获得识别结果。

该播报模块603用于将识别结果进行语音播报。

该第一智能终端600还包括生成模块604，该生成模块用于生成预存的模型。

该生成模块还包括采集单元6041、提取单元6042、获取单元6043、配置单元6044和训练单元6045。

该采集单元6041用于采集不同种类宠物语言的音频信号。

该提取单元6042用于提取音频信号的特征参数。

该获取单元6043用于获取训练参数，训练参数包括目标值、学习率以及训练轮次。

该配置单元6044用于基于训练参数对神经网络模型进行配置。

该训练单元6045用于根据特征参数对神经网络模型进行训练，得到所述预存的模型。

该生成模块还包括预处理单元6046，该预处理单元6046用于对音频信号进行预处理，所述预处理包括：对音频信号进行预加重、分帧以及加窗处理。

请参考图7，在另一个实施例中，该第一智能终端600还可以包括处理器606和存储器608，存储器608用于存储可执行的指令，指令用于控制处理器606执行根据本发明第一个实施例提供的宠物语言识别方法。

以上实施例中第一智能终端600的各个模块可以由处理器606实现。

根据本发明实施例，提供了一种第一智能终端600，第二智能终端800实时采集宠物的音频信号，并提取音频信号的特征参数发送给为用户配置的第一智能终端600，其上预存有用于进行特征识别的模型，只要给模型输入音频信号的特征参数，模型就能够输出表达宠物心情的文字内容，文字内容进行数模转换通过第一智能终端600播报给用户，用户可以实时的掌握自己的宠物所表达的心情，本申请提供的用于识别宠物语言的方法操作简单，识别率高，可以帮助人类更好的了解动物，以便和动物更好的相处，提高人类与动物之间的亲近感。

在本发明再一个实施例中，提供了一种第二智能终端800，请参考图8，该图为本发明实施例的第二智能终端800的结构方框图。该第二智能终端800包括采集模块801、提取模块802和发送模块803。

该采集模块801用于采集宠物语言的音频信号。

该提取模块802用于提取音频信号的特征参数。

该发送模块803用于将特征参数发送给第一智能终端600。

请参考图9，在另一个实施例中，该第二智能终端800还可以包括处理器806和存储器808，存储器808用于存储可执行的指令，指令用于控制处理器806执行根据本发明第二个实施例提供的宠物语言识别方法。

以上实施例中第二智能终端800的各个模块可以由处理器806实现。

根据本发明实施例，提供了一种第二智能终端，第二智能终端800实时采集宠物的音频信号，并提取音频信号的特征参数发送给为用户配置的第一智能终端600，其上预存有用于进行特征识别的模型，只要给模型输入音频信号的特征参数，模型就能够输出表达宠物心情的文字内容，文字内容进行数模转换通过第一智能终端600播报给用户，用户可以实时的掌握自己的宠物所表达的心情，本申请提供的用于识别宠物语言的方法操作简单，识别率高，可以帮助人类更好的了解动物，以便和动物更好的相处，提高人类与动物之间的亲近感。

最后，根据本发明的又一个实施例，还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序在被处理器执行时实现根据本发明任意实施例所述的宠物语言识别方法。

本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如smalltalk、c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。

这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人物来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人物来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人物能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。